本发明专利技术公开了一种适用于跨被试的脑电情绪识别方法：步骤1，将跨被试脑电情绪数据集分为训练集和测试集，并初始化训练集中的样本的权重，同时初始化基分类器；步骤2，设置当前基分类器的网络参数；步骤3，训练基分类器；步骤4，利用自适应提升算法计算训练集中每个样本的权重；步骤5，判断是否满足停机条件，是则取测试集上泛化性能最大时对应的基分类器作为最终训练好的脑电情绪识别模型，不满足则转入步骤2。本发明专利技术的方法和装置借助自适应提升算法确定跨被试脑电情绪数据集的样本权重，能够有效的调整样本特征分布，提高脑电情绪识别模型的泛化性能。型的泛化性能。型的泛化性能。
【技术实现步骤摘要】
一种适用于跨被试的脑电情绪识别方法及装置
[0001]本专利技术属于深度学习
，具体涉及一种适用于跨被试的脑电情绪识别方法及装置。
技术介绍
[0002]如何有效地解决深度神经网络在跨被试上进行脑电情绪识别时模型泛化性能差的问题是目前机器学习和脑机接口领域广泛关注的热点。传统方法是通过手工设计提取有效脑电情感特征，并使用机器学习模型，如支持向量机进行情绪分类，需要依赖专家知识，且费时费力。随着深度学习的发展，以其无需进行手工特征提取，能自动学习特征，且具有强大的数据表征能力的优点被广泛应用在各个领域。在脑电情绪识别领域，目前使用最多的深度神经网络有卷积神经网络和长短期记忆网络。但是由于脑电情感信号具有低信噪比、非平稳性的特点，且每个被试表达情绪的方式不同，其不同人之间，单个人采集的脑电的情感特征都存在差异，容易导致跨被试脑电情绪数据集的样本特征分布不均，不利于深度神经网络的学习，不易泛化，使得脑电情绪识别在实际生活中的应用存在一定的局限性。因此急需一种能适用于跨被试，能自适应调整样本特征分布以提高脑电情绪识别模型泛化性能的脑电情绪识别方法。
技术实现思路
[0003]针对现有技术中的缺陷和不足，本专利技术的目的在于，提供一种适用于跨被试的脑电情绪识别方法及装置，该方法能有效地解决用于脑电情绪识别的深度神经网络在训练过程中存在因跨被试脑电情绪数据集样本特征分布不均导致网络泛化性能差的问题。
[0004]为达到上述目的，一方面，本专利技术公开了一种适用于跨被试的脑电情绪识别方法，具体包括以下步骤：
[0005]步骤1，将跨被试脑电情绪数据集分为训练集和测试集，并初始化训练集中的样本的权重，将用于脑电情绪识别的神经网络作为基分类器，并初始化基分类器；
[0006]步骤2，设置当前基分类器的网络参数；
[0007]步骤3，训练基分类器，具体是将训练集中的样本分批次，计算每个批次的加权损失值，根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；
[0008]步骤4，利用自适应提升算法计算训练集中每个样本的权重；
[0009]步骤5，判断是否满足停机条件，是则取测试集上泛化性能最大时对应的基分类器作为最终训练好的脑电情绪识别模型，不满足则转入步骤2。
[0010]进一步的，所述步骤1包括如下子步骤：
[0011]将跨被试脑电情绪数据集分为训练集和测试集，并将训练集中的样本的权重进行初始化；
[0012]将用于脑电情绪识别的神经网络作为基分类器，并对基分类器的网络参数进行初始化，得到初始化后的第一代基分类器。
[0013]进一步的，所述步骤2包括如下子步骤：
[0014]步骤2.1，判断当前基分类器是否为步骤1得到的初始化后的第一代基分类器，如果是，转至步骤3，否则转至步骤2.2；
[0015]步骤2.2，获取上一代基分类器的网络参数；
[0016]步骤2.3，将当前基分类器的网络参数设置为步骤2.2中获取到的网络参数。
[0017]进一步的，所述步骤3包括如下子步骤：
[0018]步骤3.1，将训练集中的样本逐批次进行样本权重归一化，具体是用每个批次内各样本权重除以该批次内所有样本的权重之和作为每个样本的归一化权重；
[0019]步骤3.2，对于每个批次，将批次内每个样本的归一化权重与该样本的损失相乘，得到每个样本的加权损失值，该批次内所有样本的加权损失值之和求平均得到该批次的加权损失值向量；
[0020]步骤3.3，根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；每个批次在上个批次更新网络参数的基础上再次进行网络参数更新，直至训练集中所有批次都遍历。
[0021]进一步的，所述步骤5包括如下子步骤：
[0022]步骤5.1，获取当前基分类器在测试集上的泛化性能；
[0023]步骤5.2，判断是否满足停机条件，是则取泛化性能最大的基分类器作为最终训练好的脑电情绪识别模型；否则转入步骤2。
[0024]另一方面，本专利技术公开了一种适用于跨被试的脑电情绪识别装置，具体包括以下模块：
[0025]初始化模块，用于将跨被试脑电情绪数据集分为训练集和测试集，并初始化训练集中的样本的权重，将用于脑电情绪识别的神经网络作为基分类器，并初始化基分类器；
[0026]网络参数设置模块，用于设置当前基分类器的网络参数；
[0027]基分类器训练模块；用于实现：将训练集中的样本分批次，计算每个批次的加权损失值，根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；
[0028]样本权重更新模块，用于实现：利用自适应提升算法计算训练集中每个样本的权重；
[0029]停机模块；用于实现：判断是否满足停机条件，是则取测试集上泛化性能最大时对应的基分类器作为最终训练好的脑电情绪识别模型，不满足则转入网络参数设置模块。
[0030]进一步的，所述初始化模块具体实现如下操作：
[0031]将跨被试脑电情绪数据集分为训练集和测试集，并将训练集中的样本的权重进行初始化；
[0032]将用于脑电情绪识别的神经网络作为基分类器，并对基分类器的网络参数进行初始化，得到初始化后的第一代基分类器。
[0033]进一步的，所述网络参数设置模块包括如下子模块：
[0034]子模块一，用于判断当前基分类器是否为初始化模块得到的初始化后的第一代基分类器，如果是，转至基分类器训练模块，否则转至子模块二；
[0035]子模块二，用于获取上一代基分类器的网络参数；
[0036]子模块三，用于将当前基分类器的网络参数设置为子模块二中获取到的网络参
数。
[0037]进一步的，所述基分类器训练模块具体包括如下子模块；
[0038]子模块一，用于实现：将训练集中的样本逐批次进行样本权重归一化，具体是用每个批次内各样本权重除以该批次内所有样本的权重之和作为每个样本的归一化权重；
[0039]子模块二，用于实现：对于每个批次，将批次内每个样本的归一化权重与该样本的损失相乘，得到每个样本的加权损失值，该批次内所有样本的加权损失值之和求平均得到该批次的加权损失值；
[0040]子模块三，用于实现：根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；每个批次在上个批次更新网络参数的基础上再次进行网络参数更新，直至训练集中所有批次都遍历。
[0041]进一步的，所述停机模块具体包括如下模块：
[0042]子模块一，用于获取当前基分类器在测试集上的泛化性能；
[0043]子模块二，用于实现：判断是否满足停机条件，是则取泛化性能最大的基分类器作为最终训练好的脑电情绪识别模型；否则转入网络参数设置模块。
[0044]本专利技术与现有技术相比，有益的技术效果是：
[0045](1)本专利技术能够在深度神经网络训练过程中自适应更新跨被试脑电情绪数据集的样本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种适用于跨被试的脑电情绪识别方法，其特征在于，具体包括以下步骤：步骤1，将跨被试脑电情绪数据集分为训练集和测试集，并初始化训练集中的样本的权重，将用于脑电情绪识别的神经网络作为基分类器，并初始化基分类器；步骤2，设置当前基分类器的网络参数；步骤3，训练基分类器，具体是将训练集中的样本分批次，计算每个批次的加权损失值，根据每个批次的加权损失值，基于梯度下降法更新一次基分类器网络参数；步骤4，利用自适应提升算法计算训练集中每个样本的权重；步骤5，判断是否满足停机条件，是则取测试集上泛化性能最大时对应的基分类器作为最终训练好的脑电情绪识别模型，不满足则转入步骤2。2.如权利要求1所述的适用于跨被试的脑电情绪识别方法，其特征在于，所述步骤1包括如下子步骤：将跨被试脑电情绪数据集分为训练集和测试集，并将训练集中的样本的权重进行初始化；将用于脑电情绪识别的神经网络作为基分类器，并对基分类器的网络参数进行初始化，得到初始化后的第一代基分类器。3.如权利要求1所述的适用于跨被试的脑电情绪识别方法，其特征在于，所述步骤2包括如下子步骤：步骤2.1，判断当前基分类器是否为步骤1得到的初始化后的第一代基分类器，如果是，转至步骤3，否则转至步骤2.2；步骤2.2，获取上一代基分类器的网络参数；步骤2.3，将当前基分类器的网络参数设置为步骤2.2中获取到的网络参数。4.如权利要求1所述的适用于跨被试的脑电情绪识别方法，其特征在于，所述步骤3包括如下子步骤：步骤3.1，将训练集中的样本逐批次进行样本权重归一化，具体是用每个批次内各样本权重除以该批次内所有样本的权重之和作为每个样本的归一化权重；步骤3.2，对于每个批次，将批次内每个样本的归一化权重与该样本的损失相乘，得到每个样本的加权损失值，该批次内所有样本的加权损失值之和求平均得到该批次的加权损失值；步骤3.3，根据每个批次的加权损失值基于梯度下降法更新一次基分类器网络参数；每个批次在上个批次更新网络参数的基础上再次进行网络参数更新，直至训练集中所有批次都遍历。5.如权利要求1所述的适用于跨被试的脑电情绪识别方法，其特征在于，所述步骤5包括如下子步骤：步骤5.1，获取当前基分类器在测试集上的泛化性能；步骤5.2，判断是否满足停机条件，是则取泛化性能最大的基分类器作为最终训练好的脑电情绪识别模型；否则转入步骤2。6.一种适用于跨被试的脑电情绪识别装置，其特征在于，具体包括以下模块：初始化模块，用于将跨被试...
【专利技术属性】
技术研发人员：冯筠，贾巧妹，胡景钊，郑佳宾，王晨，
申请(专利权)人：西北大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。